Fast Method to Design Air Filtration Solution at Low Energy Cost in Subterranean Train Stations
Notice bibliographique
Résumé
The World Health Organization defines microscopic Particulate Matter (PM) as one of the main air pollutants in terms of exposure to human health risk.According to the European Environment Agency, 10% of European city dwellers were exposed to PM10 concentrations (diameter equal or below 10 µm) above EU standards in 2019.Subterrain train stations are places with high concentrations of fine and ultrafine particulate matter (PM) caused mainly by train activities.However, no specific legislation for subterrain train stations is yet available, and studies on PM concentrations reduction to reduce health risks are currently under investigation.Filtration system solutions are already available to treat these PM and protect travellers and workers.However, energy consumption, maintenance cost/interval, design and operating/control of these systems are crucial factors that must be evaluated via simulation to offer the optimal solution.The optimization method requires a fast and adaptable resolution to assess quickly each situation.From there, a zonal model consisting of an ordinary differential equation giving the evolution of PM concentrations is modified and discretized following the main direction of the stations allowing to precisely place filtration systems along the station within the model.From PM concentrations, air velocity, and train traffic data, physical parameters for the PM model (resuspension, deposition, ventilation and generation) are identified to compute the daily PM concentrations' evolution.For now, PM10 and PM2.5 (below 2.5µm) are modelled as they are often monitored.The characterization of the filtration products in terms of filtration efficiency and range is made with 3D CFD (Computational Fluid Dynamics) simulations.This efficiency is modelled in 1D to be added in the PM concentration evolution model.Unlike empirical testing, this simulation approach allows for flexible optimization of local and global filtration solution efficiency with multiple parameters changes, including adjustments to filtration media efficiency and suction volumetric flowrate.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».